[发明专利]一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法

权利要求书

1.一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法，其特征在于，包括：

步骤1，提取目标车辆与目标车辆周围智能体的输入特征；

步骤2，通过编码器对所述输入特征进行编码，分别通过时间模式注意力与感兴趣智能体加权对目标车辆与目标智能体周围车辆进行隐藏模式的提取；

将a_T与分别输入至数据编码器，a_T与之间共享参数权重；

式中，a_T为自车输入特征，具体特征信息与诸位智能体相同，N_c为特征维数；

输入尺寸中的特征维度为7，即

将原始数据输入至嵌入层，输出尺寸中的特征维度为64；

激活函数选择为泄露线性整流单元，激活函数为：

式中，α＝0.1；

对嵌入层进行更新，得到：

e_c＝φ(FC(e_c；W_emb))，

式中，e_c为周围第c个智能体的嵌入向量，φ为所述泄露线性整流单元，W_emb为全连接层权重；

将经过嵌入层得到的输出张量输入至单层长短时记忆网络，将最后一个LSTM单元的输出h_t输入至线性单元，通过泄露线性整流单元函数进行激活；

其中，e_c经过激活函数激活后的编码张量为：

其中，t为LSTM隐藏单元个数，为128个，为第c辆目标车辆周围感兴趣车辆经过LSTM与LeakyReLU激活后的编码张量，W_emb为嵌入向量权重，W_enc为LSTM权重，W_lin为线性层权重，经过编码器对原始输入数据编码，得到与为LSTM隐藏层最后一个单元的h^t；

将a_T输入至嵌入层，将嵌入层e^T输出至单层LSTM中，可以从单层LSTM的输出中获得H_op＝[op¹,op²,…,op^t]与h^t，如下式所示：

其中，op为每一个LSTM单元的隐藏层输出，W_TPA为LSTM的权重，其中h^t作为注意力机制中查询序列(Query)，为目标车辆第t-1个隐藏单元的输出；

得到的H_op与m个卷积核进行1维卷积(Conv1D)，m＝32，令k＝t^hst，卷积操作如下所示：

其中i＝1,2,…,m,j＝1,2,…,k,为卷积操作符，得到张量{H_m,k}，记作H，首先作为键(K,Key)，与查询序列h^t通过权重矩阵W_sf得到得分函数并且通过Sigmoid激活函数激活，即：

α＝ψ(H^TW_sfh_t)

式中，为中间权重矩阵，查询序列h_t，随后，将得分函数映射广播到值(V，Value)上，隐变量v_t被加权得到，即：

最终，将v_t与隐藏变量h_t通过中间权重W_h与W_v相结合，即：

h_t'＝W_hh_t+W_vv_t

其中，

当编码器对智能体运动进行编码时，根据空间位置对周围智能体的编码张量进行堆叠，对叠加张量进行卷积运算：

其中，C^1×1为1×1卷积核，Conv为卷积操作，stack为向量堆叠操作，为第c辆目标车辆周围感兴趣智能体经过激活函数激活后的编码张量；

采用3×3卷积核进行卷积，增加通道数，

其中，squeeze()为将3维张量压缩至1维张量，φ为leskyReLU，C^3×3为一个3×3的卷积核；

步骤3，通过解码器对目标车辆的驾驶操纵类别进行识别，对目标车辆未来的行驶轨迹进行预测。